|
|
- 2019
基于堆叠去相关自编码器和支持向量机的窃电检测Keywords: 非技术性损失,窃电检测,深度学习,去相关自编码器,支持向量机,nontechnical losses, nontechnical loss detection, deep learning, uncorrelating autoencoder, support vector machines Abstract: 已有窃电检测模型的准确率尚无法满足应用需求，是因其均将建模重点放在了分类算法的选择或改进上，而相对地忽视了特征提取过程。因此，提出一种基于深度学习的特征提取方法，即堆叠去相关自编码器。得益于深层结构和高度非线性，其能够从用户用电数据中提取到高度抽象和简明的特征。随后支持向量机将这些特征映射到指示是否窃电的标签。基于真实数据的算例测试，验证了所提窃电检测模型具有较高的检出率和较低的虚警率，同时也验证了堆叠去相关自编码器能够提取到有效的特征
|
